Повторіть оригінальний заголовок: Новий проект на основі Solana AI + DePIN: Короткий аналіз майбутнього токену запуску IO.NET

Вступ

Унаш останній звіт, ми вже згадували, що порівняно з попередніми двома циклами, поточний бульбарний ринок криптовалют втрачає нові бізнес-моделі та активні наративи. Штучний інтелект (AI) є одним з нових наративів у просторі Web3 у цьому циклі. Ця стаття заглиблюється у гарячий проект AI року, IO.NET, та систематизує думки з наступних двох питань:

• Необхідність AI+Web3 в комерційному ландшафті
• Необхідність та виклики розгортання децентралізованої обчислювальної мережі

По-друге, я зберу ключову інформацію про представницький проект в децентралізованій мережі обчислень штучного інтелекту: IO.NET, включаючи дизайн продукту, конкурентну обстановку та фон проекту. Я також буду робити припущення щодо метрик оцінки проекту.

Погляди на Бізнес-логіка за сплетінням штучного інтелекту та Web3частина натхнення черпає з " Справжнє об'єднання«Майкл Рінко, аналітик Delphi Delphi, розглядає. Цей аналіз узагальнює і посилається на ідеї з його роботи, читачу настійно рекомендується прочитати оригінальну статтю.

Зверніть увагу, що ця стаття відображає моє поточне мислення і може змінюватися. Тут висловлені думки суб'єктивні, і можуть бути помилки у фактах, даних та логічному мисленні. Це не фінансова порада, але відгуки та обговорення вітаються.

Наступний текст є основним.

1. Бізнес-логіка за злиттям штучного інтелекту та Web3

1.1 2023: The “Annus Mirabilis” for AI

Рефлексуючи над летописами людського розвитку, очевидно, що технологічні прориви каталізують глибокі трансформації - від повсякденного життя до промислових пейзажів і ходу самої цивілізації.

У людській історії є два значущі роки, а саме 1666 та 1905, які тепер відзначаються як «Annus Mirabilis» в історії науки.

Рік 1666 року здобув свою назву через каскад наукових відкриттів Ісаака Ньютона. Протягом одного року він вів піонерську галузь фізики, відому як оптика, заснував математичну дисципліну калькулюс і похідну закону всесвітнього тяжіння, який є основним законом сучасної природничої науки. Будь-який з цих внесків був фундаментальним для наукового розвитку людства протягом наступного століття, значно прискорюючи загальний прогрес науки.

Іншим визначним роком є 1905 рік, коли всього 26-річний Ейнштейн опублікував чотири статті швидко поспіль у “Annalen der Physik,” що охоплюють фотоефект, виставляючи сцену для квантової механіки; броунівський рух, надаючи ключову рамку для аналізу стохастичних процесів; теорію спеціальної теорії відносності; та еквівалент маси-енергії, укладений у рівнянні E=MC^2. Підсумовуючи, кожну з цих статей вважається перевершує середній рівень нобелівських праць з фізики— це відзначення отримав сам Ейнштейн за свою роботу з фотоефектом. Ці внески в цілому прискорили людство на кілька кроків вперед у подорожі цивілізації.

Рік 2023, що минув нещодавно, стоїть на порозі святкування як ще один «Чудовий Рік», завдяки великій мірі з'явленню ChatGPT.

Розглядаючи 2023 рік як «дивовижний рік» в історії технологій людини, не лише йдеться про визнання досягнень у обробці та генерації природної мови від ChatGPT. Тут також йдеться про визнання чіткого шаблону в розвитку великих мовних моделей - усвідомлення того, що розширюючи параметри моделей та навчальні набори даних, ми можемо досягти експоненційного покращення продуктивності моделі. Більше того, це, здавалося б, безмежне на короткий термін, якщо потужність обчислень тримається на відповідному рівні.

Ця можливість виходить далеко за межі розуміння мови та генерації розмов; вона може бути широко застосована в різних наукових галузях. Наприклад, взяття застосування великих мовних моделей у біологічному секторі.

• У 2018 році лауреат Нобелівської премії з хімії Френсіс Арнольд сказала під час церемонії нагородження: «Сьогодні ми можемо з усією практичністю читати, писати і редагувати будь-яку послідовність ДНК, але ми не можемо її скласти». Швидкий перехід на п'ять років вперед до 2023 року, команда дослідників з Університету Стенфорда та Salesforce Research, стартапу, що спеціалізується на штучному інтелекті, опублікувала статтю в журналі «Nature Biotechnology». Використовуючи велику мовну модель, вдосконалену з GPT-3, вони згенерували зовсім новий каталог з 1 мільйоном білків. Серед них вони виявили два білки з відмітними структурами, обидва обдаровані антибактеріальною функцією, що потенційно відкриває шлях для нових стратегій боротьби з бактеріальною резистентністю поза традиційними антибіотиками. Це свідчить про величезний стрибок у подоланні перешкод створення білків за допомогою штучного інтелекту.
• До цього штучний інтелектуальний алгоритм AlphaFold передбачив структури майже всіх 2,14 мільярда типів білків на Землі протягом 18 місяців - досягнення, яке підсилює досягнення структурних біологів протягом всієї історії на кілька порядків.

Інтеграція моделей штучного інтелекту обіцяє радикально змінити галузі промисловості. Від твердих технологій біотехнології, матеріалознавства та відкриття ліків до культурних сфер права та мистецтва, очікується перетворююча хвиля, що перетворить ці галузі, починаючи з 2023 року.

Загалом визнано, що минуле століття стало свідком експоненційного зростання здатності людства генерувати багатство. Швидкий прогрес технологій штучного інтелекту очікується, що прискорить цей процес.

Загальний світовий тренд ВВП, Джерело даних: Група Світового банку

1.2 Злиття штучного інтелекту та криптовалюти

Для розуміння внутрішньої потреби у поєднанні штучного інтелекту та криптовалюти корисно розглянути, як їх відмінні особливості доповнюють одна одну.

Симбіоз ШІ та криптовалютних функцій

Штучний інтелект відрізняється трьома основними якостями:

• Стохастичність: штучний інтелект є стохастичним, механізм виробництва контенту якого є складно відтворюваним, загадковим чорним ящиком, що робить його виходи властиво стохастичними.
• Ресурсоємний: Штучний інтелект є ресурсоємною галуззю, яка вимагає значних кількостей енергії, мікросхем та обчислювальної потужності.
• Інтелект, подібний до людського: ШІ (скоро буде) здатний пройти тест Тюрінга, що ускладнює розрізнення людей та ШІ.*

_※ _30 жовтня 2023 року дослідники з Університету Каліфорнії в Сан-Дієго представили результати тесту Тюрінга для GPT-3.5 та GPT-4.0. Останній набрав 41%, ледь не досягнувши позначки 50% всього на 9 відсоткових пунктів менше, при тому, що люди набрали 63% на тому ж тесті. Суть цього тесту Тюрінга полягає в тому, як багато учасників сприймають свого співрозмовника як людину. Результат вище за 50% свідчить про те, що більшість вважає, що вони спілкуються з людиною, а не з машиною, тим самим вважаючи, що штучний інтелект успішно пройшов тест Тюрінга, оскільки принаймні половина людей не могла розрізнити його від людини.

Поки штучний інтелект відкриває шлях для революційних досягнень у людській продуктивності, він одночасно постає перед нашим суспільством з важливими викликами, зокрема:

• Як перевірити та контролювати стохастичність штучного інтелекту, перетворивши її на перевагу, а не на недолік
• Як зв'язати величезні вимоги до енергії та обчислювальної потужності, які вимагає штучний інтелект
• Як відрізнити людину від ШІ

Криптовалюта та технологія блокчейну можуть запропонувати ідеальне рішення для викликів, що постають від штучного інтелекту, що характеризується трьома ключовими атрибутами:

• Детермінізм: Операції базуються на блокчейні, коді та смарт-контрактах, з чіткими правилами та межами. Вхідні дані призводять до передбачуваних результатів, забезпечуючи високий рівень детермінізму.
• Ефективне розподіл ресурсів: Криптовалютна економіка сприяла виникненню великого, глобального та вільного ринку, що дозволяє швидке формування цін, збирання коштів та передачу ресурсів. Наявність токенів подальшого прискорює вирівнювання подання та попиту на ринку, швидко досягаючи критичної маси завдяки стимулюванню.
• Відсутність довіри: З відкритими реєстрами та відкритим вихідним кодом будь-хто може легко перевірити операції, створюючи «недовірливу» систему. Крім того, технологія нульового знання (ZK) додатково забезпечує збереження конфіденційності під час цих процесів верифікації.

Щоб продемонструвати взаємодоповнення між штучним інтелектом та криптовалютною економікою, давайте заглибимося в три приклади.

Приклад А: Подолання стохастичності за допомогою штучних інтелектуальних агентів, що працюють на основі криптовалютної економіки

AI Агенти - це розумні програми, призначені для виконання завдань від імені людей відповідно до їх директив, з Fetch.AI, як яскравим прикладом у цій галузі. Подумайте, ми доручаємо нашому AI агенту виконати фінансову операцію, наприклад, 'інвестувати $1000 в BTC'. AI агент може стикнутися з двома різними сценаріями:

Сценарій 1: Агент повинен взаємодіяти з традиційними фінансовими установами (наприклад, BlackRock), щоб купити BTC ETF, зіштовхуючись з багатьма проблемами сумісності з централізованими організаціями, включаючи процедури KYC, підтвердження документів, процеси входу в систему та аутентифікацію особи, які на сьогоднішній день є помітно обтяжливими.

Сценарій 2: При роботі в межах власної криптовалютної економіки процес спрощується. Агент може безпосередньо виконати транзакцію через Uniswap або подібний торговий агрегатор, використовуючи ваш обліковий запис для входу та підтвердження замовлення, отримуючи WBTC або інші варіанти обгорненого BTC. Ця процедура ефективна та оптимізована. По суті, це функція, яку наразі виконують різні Торгові боти, діючи як базові штучні інтелектуальні агенти з фокусом на торговельні діяльності. З подальшим розвитком та інтеграцією ШІ, ці боти будуть виконувати більш складні торговельні цілі. Наприклад, вони можуть відстежувати 100 розумних адрес на блокчейні, оцінювати їх стратегії торгівлі та відсотки успішності, виділяти 10% своїх коштів на копіювання їх угод протягом тижня, припиняти операції, якщо прибуток невигідний, і визначати потенційні причини цих стратегій.

Штучний інтелект процвітає в системах блокчейну, фундаментально тому, що правила криптовалютної економіки явно визначені, а система дозволяє відсутність дозволів. Робота за чіткими вказівками значно зменшує ризики, пов'язані зі стохастичністю штучного інтелекту. Наприклад, домінування штучного інтелекту над людьми в шахах і відеоіграх походить з того факту, що ці середовища є закритими піщаними ящиками з простими правилами. Навпаки, досягнення в автономному водінні були більш поступовими. Відкриті виклики реального світу є складнішими, і наша терпимість до непередбачуваного вирішення проблем штучним інтелектом в таких сценаріях значно нижча.

Приклад В: Консолідація ресурсів за допомогою токенів-стимулів

Могутній глобальний хеш-мережі, що підтримує BTC, має поточну загальну хеш-швидкість 576,70 EH/s, перевершує загальну обчислювальну потужність будь-якого суперкомп'ютера країни. Цей ріст прискорюється простими та справедливими стимулами у межі мережі.

Тенденція хешшвидкості BTC, джерело: https://www.coinwarz.com/

Крім того, проекти DePIN, такі як Mobile, досліджують токен-стимули для культивування ринку як з боку подання, так і з боку попиту, щоб сприяти мережевим ефектам. Надалі у цій статті буде акцентовано на IO.NET, платформі, призначеній для агрегування обчислювальної потужності штучного інтелекту, сподіваючись розблокувати латентний потенціал обчислювальної потужності штучного інтелекту через токенову модель.

Приклад C: Використання відкритих джерел та ZK Proof для розрізнення людей від штучного інтелекту з дотриманням конфіденційності

Worldcoin, веб3-проект, співзасновником якого є Сем Ольтман з OpenAI, використовує новаторський підхід до перевірки ідентичності. За допомогою апаратного пристрою, відомого як Orb, він використовує біометричні дані людського радужного оболонки для створення унікальних та анонімних хеш-значень за технологією нульового знання (ZK), роблячи відмінність між людьми та штучним інтелектом. На початку березня 2024 року веб3-проект з мистецтва Drip почав впроваджувати Worldcoin ID для аутентифікації реальних людей та розподілу винагород.

Worldcoin недавно відкрила вихідний код свого апаратного забезпечення iris, Orb, забезпечуючи безпеку та конфіденційність біометричних даних.

Загалом, завдяки детермінізму коду та криптографії, перевагам обігу ресурсів та збору коштів, які приносять механізми на основі токенів та бездозвільності, разом з недовірою, що ґрунтується на відкритому коді та публічних реєстраціях, криптовалютна економіка стала значним потенційним рішенням для викликів, які стикається людське суспільство з штучним інтелектом.

Найбільшою та комерційно вимагаючою проблемою є надзвичайна спрага за обчислювальними ресурсами, необхідними для продуктів ШІ, що зумовлена переважно значною потребою в мікросхемах та обчислювальній потужності.

Це також основна причина, чому проекти розподіленої обчислювальної потужності очолюють приріст під час циклу бичого ринку в цілому секторі штучного інтелекту.

Бізнес-імператив для децентралізованого обчислення

Штучний інтелект потребує значних обчислювальних ресурсів, необхідних як для навчання моделі, так і для завдань виведення.

Було добре задокументовано в процесі навчання великих мовних моделей, що, як тільки масштаб даних і параметрів є значним, ці моделі починають виявляти безпрецедентні можливості. Експоненційні покращення, помічені від одного покоління ChatGPT до наступного, зумовлені експоненційним зростанням обчислювальних вимог для навчання моделі.

Дослідження від DeepMind та Стенфордського університету показує, що в різних великих мовних моделях, коли вони вирішують різні завдання — чи то обчислення, відповіді на питання перською мовою, чи розуміння природної мови — моделі лише наближаються до випадкового вгадування, якщо тренування не включає значно збільшені параметри моделі (і, відповідно, обчислювальні навантаження). Результативність будь-якого завдання залишається майже випадковою, поки обчислювальні зусилля не досягнуть 10^22 FLOPs. Поза цим критичним порогом виконання завдань значно покращується в будь-якій мовній моделі.

Джерело: Виняткові здібності великих мовних моделей

Джерело: Надзвичайні здатності великих мовних моделей

Принцип "досягнення дива великими зусиллями" в обчислювальній потужності, який як у теорії, так і на практиці знаходить відповідне підтвердження, надихнув засновника OpenAI Сема Альтмана запропонувати амбіційний план залучити 7 трлн доларів. Цей фонд призначений для створення чіп-фабрики, яка перевищить поточні можливості TSMC в десять разів (приблизна вартість 1,5 трлн доларів), залишок коштів буде виділено на виробництво чіпів та навчання моделей.

Крім обчислювальних вимог до навчання моделей штучного інтелекту, процеси виведення також потребують значної обчислювальної потужності, хоча й менше, ніж навчання. Ця постійна потреба в чіпах та обчислювальних ресурсах стала стандартною реальністю для учасників у галузі штучного інтелекту.

На відміну від централізованих постачальників обчислень штучного інтелекту, таких як Amazon Web Services, Google Cloud Platform і Azure від Microsoft, децентралізовані обчислення штучного інтелекту пропонують кілька переконливих пропозицій вартості:

• Доступність: Отримання доступу до обчислювальних чіпів через сервіси, такі як AWS, GCP або Azure, зазвичай потребує тижнів, і найпопулярніші моделі GPU часто бувають відсутні на складі. Крім того, споживачі зазвичай обмежені довгостроковими, жорсткими контрактами з цими великими корпораціями. З іншого боку, розподілені обчислювальні платформи надають гнучкі варіанти апаратного забезпечення з покращеною доступністю.
• Ефективність витрат: Завдяки використанню неактивних чіпів та включенню токенів, що надаються мережевими протоколами по відношенню до постачальників чіпів та обчислювальної потужності, децентралізовані обчислювальні мережі можуть пропонувати обчислювальну потужність за зниженням витрат.
• Спротив стверджень: Постачання передових чіпів в даний час контролюється великими технологічними компаніями, і з урядом Сполучених Штатів посилюється контроль над обчислювальними послугами штучного інтелекту, здатність отримувати обчислювальну потужність у децентралізований, гнучкий і необмежений спосіб стає все більш очевидною необхідністю. Це є основною пропозицією вартості обчислювальних платформ на основі web3.

Якщо вугілля було життєво важливою рідиною промислової ери, то обчислювальна потужність може бути життєво важливою рідиною нової цифрової ери, яку відкрила штучний інтелект, роблячи постачання обчислювальної потужності інфраструктурою для ери штучного інтелекту. Так само, як стабільні монети виникли як жвавий похідний від фіатної валюти в епоху Web3, чи може ринок розподіленого обчислювання перетворитися в розвиваючийся сегмент в швидко зростаючому ринку обчислювання штучного інтелекту?

Це все ще новий ринок, і багато ще потрібно побачити. Однак кілька факторів можуть потенційно вплинути на сюжет або ринкове прийняття децентралізованого обчислення:

• Постійні проблеми з постачанням GPU: Постійні обмеження в постачанні GPU можуть спонукати розробників досліджувати децентралізовані обчислювальні платформи.
• Розширення регулювання: Доступ до послуг обчислення штучного інтелекту від провідних хмарних платформ передбачає ретельну процедуру KYC та обстеження. Це може призвести до більш широкого використання децентралізованих платформ обчислення, особливо в областях, які стикаються з обмеженнями або санкціями.
• Стимули ціни токенів: Зростання цін на токени під час бичих ринків може підвищити вартість субсидій, які пропонуються постачальникам GPU платформ, привертаючи більше вендорів на ринок, збільшуючи його масштаб і знижуючи витрати для споживачів.

У той же час виклики, з якими стикаються децентралізовані обчислювальні платформи, також досить очевидні:

Технічні та інженерні виклики

• Проблеми доказу роботи: Обчислення в моделях глибокого навчання, через ієрархічну структуру, де вихід кожного шару використовується як вхід для наступного, перевірка валідності обчислень вимагає виконання всіх попередніх робіт, що не є простим або ефективним. Для вирішення цього, децентралізовані платформи обчислень потрібно або розробляти нові алгоритми, або використовувати приблизні техніки верифікації, які пропонують ймовірнісне підтвердження результатів, а не абсолютний детермінізм.
• Виклики паралелізації: децентралізовані платформи обчислень користуються різноманітним спектром постачальників мікросхем, кожен з яких, як правило, пропонує обмежену обчислювальну потужність. Завершення завдань навчання або виведення моделі ШІ за допомогою одного постачальника мікросхем швидко є майже неможливим. Тому завдання повинні бути розкладені та розподілені за допомогою паралелізації для скорочення загального часу завершення. Однак цей підхід вводить декілька ускладнень, включаючи те, як розбиваються завдання (особливо складні завдання глибокого навчання), залежності від даних та додаткові витрати на підключення між пристроями.
• Проблеми захисту конфіденційності: Як можна забезпечити, щоб дані та моделі клієнта не розголошувалися отримувачу завдань?

Виклики регулювання відповідності

• Децентралізовані платформи обчислень, завдяки своєму відкритому характеру на ринках подання та попиту, можуть привертати певних клієнтів як ключову перевагу. Однак, з розвитком регуляторних рамок штучного інтелекту, ці платформи можуть стати об'єктами уваги урядових органів. Більше того, деякі виробники ГПУ турбуються про те, чи їхні орендовані обчислювальні ресурси використовуються санкціонованими підприємствами або особами.

Узагальнюючи, основними користувачами децентралізованих обчислювальних платформ переважно є професійні розробники або малі та середні підприємства. На відміну від інвесторів у криптовалюту та NFT, ці клієнти надають перевагу стабільності та безперервності послуг, наданих платформами, і цінова політика не обов'язково є їхньою головною проблемою. Децентралізованим обчислювальним платформам ще довго треба йти, перш ніж вони зможуть здобути широке визнання серед цієї вибагливої групи користувачів.

Далі ми розглянемо подробиці та проведемо аналіз проекту IO.NET, нового децентралізованого проекту обчислювальної потужності в цьому циклі. Ми також порівняємо його з аналогічними проектами, щоб оцінити його потенційну ринкову капіталізацію після запуску.

2. Децентралізована платформа штучного інтелекту: IO.NET

2.1 Огляд проекту

IO.NET є децентралізованою обчислювальною мережею, яка створила двосторонній ринок навколо чіпів. З постачального боку є глобально розподілені обчислювальні потужності, переважно GPU, але також ЦП та інтегровані GPU від Apple (iGPUs). Запитна сторона складається з інженерів зі штучного інтелекту, які прагнуть завершити навчання моделі штучного інтелекту або завдання виведення.

Офіційний веб-сайт IO.NET вказує на їхню візію:

Наша місія

Збираючи один мільйон ГПУ в DePIN – децентралізовану фізичну інфраструктурну мережу.

Його місія полягає в інтеграції мільйонів GPU в свою мережу DePIN.

Порівняно з традиційними хмарними обчислювальними послугами штучного інтелекту, ця платформа відзначає кілька ключових переваг:

• Гнучка конфігурація: Інженерам зі штучного інтелекту надається можливість вибору та збірки необхідних чіпів у "кластер" для виконання конкретних обчислювальних завдань.
• Швидке розгортання: На відміну від довгих строків схвалення та очікування, пов'язаних з централізованими постачальниками, такими як AWS, розгортання на цій платформі може бути завершено всього за кілька секунд, дозволяючи негайно розпочати завдання.
• Ефективність витрат: Вартість послуг становить до 90% менше, ніж ті, що пропонуються провайдерами масового ринку.

Крім того, IO.NET планує запустити додаткові сервіси у майбутньому, такі як магазин моделей штучного інтелекту.

2.2 Механізм продукту та бізнес-метрики

Механізми продукту та досвід впровадження

Подібно до основних платформ, таких як Amazon Cloud, Google Cloud та Alibaba Cloud, IO.NET пропонує послугу обчислень, відому як IO Cloud. Ця служба працює через розподілену та децентралізовану мережу чіпів, яка підтримує виконання коду машинного навчання на основі Python для штучного інтелекту та застосувань машинного навчання.

Основний бізнес-модуль IO Cloud називається Кластери - самоорганізовані групи графічних процесорів, розроблені для ефективної обробки обчислювальних завдань. Інженери зі штучного інтелекту мають можливість налаштувати кластери під свої конкретні потреби.

Інтерфейс користувача IO.NET дуже зручний для користувача. Якщо ви плануєте розгортання власного кластера чіпів для обчислення штучного інтелекту, просто перейдіть на сторінку Кластери на платформі, де ви зможете легко налаштувати потрібний вам кластер чіпів згідно з вашими вимогами.

Інформація про сторінку: https://cloud.io.net/cloud/clusters/create-cluster, те ж саме нижче

Спочатку вам потрібно вибрати тип вашого кластера, доступні три варіанти:

• Загальне: Забезпечує загальне середовище, яке підходить для початкових етапів проекту, коли конкретні вимоги до ресурсів ще неясні.
• Train: Кластер, спеціально розроблений для навчання та налаштування моделей навчання машин. Цей варіант надає додаткові ресурси GPU, вищу потужність пам'яті та / або швидше мережеве з'єднання для виконання цих інтенсивних обчислювальних завдань.
• Висновок: кластер, розроблений для інференції з низькою затримкою та високим навантаженням. У контексті машинного навчання інференція означає використання навчених моделей для прогнозування або аналізу нових наборів даних та надання зворотного зв'язку. Таким чином, ця опція спрямована на оптимізацію затримки та пропускної здатності для підтримки потреб обробки даних у реальному часі або майже в реальному часі.

Наступним кроком буде вибір постачальника для вашого кластера. IO.NET має партнерство з Render Network та мережею майнерів Filecoin, що дозволяє користувачам вибирати чіпи від IO.NET або інших двох мереж як джерело постачання для їх обчислювальних кластерів. Це ефективно позиціонує IO.NET як агрегатор (зауваження: послуги Filecoin тимчасово відключені). Варто зауважити, що у IO.NET наразі доступно понад 200 000 GPU онлайн, тоді як у Render Network є понад 3 700 доступних GPU.

Після цього ви перейдете до етапу вибору апаратного забезпечення свого кластера. В даний час IO.NET перелічує лише графічні прискорювачі як доступну опцію апаратного забезпечення, виключаючи ЦП або вбудовані графічні прискорювачі від Apple (M1, M2 тощо), причому графічні прискорювачі в основному складаються з продуктів NVIDIA.

Серед офіційно перелічених та доступних варіантів апаратного забезпечення GPU, на основі даних, протестованих мною в цей день, загальна кількість доступних онлайн GPU в мережі IO.NET становила 206 001. GPU з найвищою доступністю був GeForce RTX 4090, з 45 250 одиницями, за яким слідував GeForce RTX 3090 Ti, з 30 779 одиницями.

Крім того, в інтернеті доступно 7 965 одиниць високоефективного чіпу A100-SXM4-80GB (кожен із ціною понад $15 000), який є більш ефективним для завдань обчислення штучного інтелекту, таких як машинне навчання, глибоке навчання та наукове обчислення.

NVIDIA H100 80GB HBM3, який розроблено з нуля для штучного інтелекту (з ринковою ціною понад $40,000), забезпечує продуктивність навчання в 3,3 рази вищу та продуктивність інференції в 4,5 рази вищу, ніж A100. Наразі онлайн доступно 86 одиниць.

Як тільки буде вибрано тип апаратного забезпечення для кластера, користувачі повинні будуть вказати додаткові деталі, такі як географічне розташування кластера, швидкість підключення, кількість GPU та тривалість.

Нарешті, IO.NET розрахує докладний рахунок на основі ваших обраних параметрів. Наочним прикладом є наступна конфігурація кластера:

• Тип кластера: Загальний
• 16 A100-SXM4-80GB ГПУ
• Рівень підключення: Висока швидкість
• Географічне розташування: Сполучені Штати
• Тривалість: 1 тиждень

Загальна сума рахунку за цю конфігурацію становить $3311.6, а годинна орендна ціна за кожною карткою складає $1.232.

Погодинна орендна плата за одиничний A100-SXM4-80GB на Amazon Web Services, Google Cloud та Microsoft Azure становить відповідно $5.12, $5.07 та $3.67 (дані взяті зhttps://cloud-gpus.com/，фактичнийціни можуть відрізнятися в залежності від деталей контракту).

Отже, щодо вартості, IO.NET пропонує обчислювальну потужність мікросхем за цінами набагато нижчими, ніж у провідних постачальників. Крім того, гнучкість у варіантах постачання та закупівлі робить IO.NET привабливим вибором для багатьох користувачів.

Огляд бізнесу

Сторона поставки

На 4 квітня 2024 року офіційні цифри свідчать про те, що у IO.NET загальна поставка GPU становила 371 027 одиниць, а поставка CPU - 42 321 одиниця поставки. Крім того, Render Network, як партнер, мав додатково 9 997 GPU та 776 CPU, підключених до поставки мережі.

Джерело даних: https://cloud.io.net/explorer/home, те ж саме нижче

На момент написання, 214 387 відеокарт, що інтегровані з IO.NET, були онлайн, що призвело до онлайн-статусу 57,8%. Онлайн-статус для відеокарт від Render Network становив 45,1%.

Що підтверджує ці дані зі сторони постачання?

Для надання точки опори давайте включимо Akash Network, більш досвіджений проект децентралізованого обчислення.

Akash Network запустив свою мейннет масштабно ще в 2020 році, спочатку фокусуючись на децентралізованих сервісах для процесорів і сховищ. У червні 2023 року вони випустили тестову мережу для сервісів GPU, а пізніше запустили мейннет для децентралізованої обчислювальної потужності GPU в вересні того ж року.

Джерело даних: https://stats.akash.network/provider-graph/graphics-gpu

Згідно з офіційними даними від Akash, незважаючи на те, що з початку запуску її мережі GPU з постачального боку постійно зростає, загальна кількість підключених до мережі GPU залишається лише 365.

При оцінці обсягу постачання GPU IO.NET значно перевищує Akash Network, працюючи на драматично більшому масштабі. IO.NET встановив себе найбільшим постачальником у секторі децентралізованої обчислювальної потужності GPU.

Попитна сторона

З боку попиту IO.NET все ще знаходиться на початкових етапах ринкового вирощування, з відносно невеликим загальним обсягом обчислювальних завдань, які виконуються на його мережі. Більшість ГПП онлайн, але бездіяльні, показуючи відсоток навантаження 0%. Лише чотири типи чіпів - A100 PCIe 80GB K8S, RTX A6000 K8S, RTX A4000 K8S та H100 80GB HBM3 - активно зайняті в обробці завдань, і серед них лише A100 PCIe 80GB K8S має навантаження понад 20%.

Офіційний рівень стресу мережі, звітований на сьогоднішній день, становив 0%, що свідчить про те, що значна частина постачання GPU в даний момент перебуває в онлайн-режимі, але не активна.

Фінансово, IO.NET нарахував $586,029 у сервісних внесках на сьогодні, з яких $3,200 з цієї загальної суми зароблено в останній день.

Джерело даних: https://cloud.io.net/explorer/clusters

Фінансова звітність щодо мережевих комісій за розрахунками, як у цілому, так і за щоденним обсягом транзакцій, тісно узгоджується з тими, які має Gate. Однак важливо зауважити, що більшість доходів Gate отримує від пропозицій щодо ЦП, з запасами, що перевищують 20 000 ЦП.

Джерело даних: https://stats.akash.network/

Крім того, IO.NET розкрив докладні дані про завдання інференції штучного інтелекту, оброблені мережею. Згідно з останнім звітом, платформа успішно обробила й підтвердила понад 230 000 завдань інференції, хоча більшість цього обсягу походить від BC8.AI, проекту, спонсорованого IO.NET.

Джерело даних: https://cloud.io.net/explorer/inferences

Сторона поставки IO.NET ефективно розширюється під впливом очікувань, пов'язаних з безкоштовним розподілом токенів та спільною подією, відомою як "Запалення". Ця ініціатива швидко залучила значну кількість обчислювальної потужності штучного інтелекту. Проте з боку попиту розширення залишається початковим з недостатнім органічним попитом. Причини цього повільного попиту - чи то через недостатню роботу залучення споживачів, чи нестабільні враження від обслуговування, що призводить до обмеженого масштабного використання - потребують подальшої оцінки.

З урахуванням викликів у швидкому закритті прогалини в обчислювальних можливостях штучного інтелекту, багато інженерів та проектів зі штучного інтелекту вивчають альтернативи, що потенційно збільшує інтерес до децентралізованих постачальників послуг. Крім того, IO.NET ще не впроваджував економічні стимули або заходи для стимулювання попиту, і оскільки досвід користувача продовжує покращуватися, очікуваний рівновага між пропозицією та попитом тримає надію на майбутнє.

2.3 Командний досвід та огляд залучення коштів

Профіль команди

Основна команда IO.NET спочатку зосереджувалася на кількісній торгівлі. До червня 2022 року вони займалися створенням кваліфікованих кількісних торговельних систем на рівні інституцій для акцій та криптовалют. Під впливом попиту на обчислювальну потужність системного бекенду команда почала досліджувати потенціал децентралізованого обчислення та остаточно зосереджуватися на конкретному питанні зменшення витрат на послуги обчислення GPU.

Засновник та генеральний директор: Ахмад Шадід

Перед заснуванням IO.NET Ахмед Шадід працював в кількісній фінансовій сфері та фінансовому інженерії, він також є волонтером у Фонді Ethereum.

Головний маркетолог та головний стратег: Гаррісон Ян

Гаррісон Янг офіційно приєднався до IO.NET у березні 2024 року. До цього він був віце-президентом з стратегії та зростання в Avalanche та є випускником університету Каліфорнії в Санта-Барбарі.

COO: Торі Грін

Торі Грін є виконавчим директором IO.NET. Він раніше працював на посаді виконавчого директора в Hum Capital та директором з розвитку бізнесу та стратегії в Fox Mobile Group. Він закінчив Стенфордський університет.

Профіль компанії IO.NET на LinkedIn вказує, що команда базується в Нью-Йорку, США, з філією в Сан-Франциско, і налічує понад 50 співробітників.

Огляд фінансування

IO.NET має лише одне публічно оголошене фінансування - раунд серії A, завершений у березні цього року з оцінкою у $1 мільярд, завдяки якому вдало вдало підняли $30 мільйонів. Цей раунд очолив Hack VC, з участю інших інвесторів, включаючи Multicoin Capital, Delphi Digital, Foresight Ventures, Animoca Brands, Continue Capital, Solana Ventures, Aptos, LongHash Ventures, OKX Ventures, Amber Group, SevenX Ventures та ArkStream Capital.

Зокрема, інвестиції від Фонду Aptos, можливо, вплинули на рішення проекту BC8.AI перейти від використання Solana для його розрахункових та облікових процесів до подібного за продуктивністю блокчейну 1-го рівня, Aptos.

2.4 Оцінка вартості

Згідно з попередніми заявами засновника та генерального директора Ахмада Шадіда, IO.NET планує випустити свій токен до кінця квітня 2024 року.

IO.NET має два референтних проекти-бенчмарки, які служать для оцінки: Render Network та Akash Network, обидва з яких є представниками децентралізованих обчислювальних проектів.

Існують два основних методи для визначення оцінки ринкової капіталізації IO.NET: 1. Коефіцієнт ціни до обсягу продажів (P/S), який порівнює FDV з доходами; 2. Коефіцієнт FDV до чіпа (M/C Ratio)

Ми розпочнемо з вивчення потенційної оцінки за допомогою коефіцієнта ціни до обсягу продажів:

При дослідженні відношення ціни до обороту Akash представляє консервативний край спектру приблизної оцінки IO.NET, тоді як Render надає висококласний показник, вважаючи FDV в діапазоні від 1,67 мільярда до 5,93 мільярда доларів.

Однак, з урахуванням оновлень проекту IO.NET, його більш переконлива наратив, разом з меншим початковим ринковим капіталізацією та ширшою базою постачання, свідчать про те, що його FDV може добре перевершити Render Network.

Звертаючись до іншої перспективи порівняння оцінки, а саме «Відношення FDV до чіпа».

У контексті ринку, де попит на обчислювальну потужність штучного інтелекту перевищує пропозицію, найважливішим елементом децентралізованих мереж обчислення штучного інтелекту є масштаб постачання GPU. Тому ми можемо використовувати "співвідношення FDV до чіпа", яке є співвідношенням загальної розділеної вартості проекту до кількості чіпів у мережі, для виведення можливого діапазону оцінки IO.NET, що надає читачам посилання.

Використання співвідношення ринку до мікросхем для розрахунку діапазону оцінки IO.NET розміщує нас між 20,6 мільярдів доларів та 197,5 мільярдів доларів, при цьому мережа Render Network встановлює верхній показник, а мережа Akash Network - нижній.

Прихильники проекту IO.NET можуть вважати це високо оптимістичною оцінкою капіталізації ринку.

Важливо враховувати поточну велику кількість жетонів онлайн для IO.NET, спричинену очікуваннями випадкових виплат та інцентивними заходами. Фактична онлайн-кількість пропозиції після того, як проект офіційно запуститься, все ще потребує спостереження.

Загалом, оцінки, отримані з відношення ціни до обороту, можуть надати більш надійні уявлення.

IO.NET, побудований на основі Solana і відданий зіткненню штучного інтелекту та DePIN, перебуває на межі запуску свого токену. Очікування відчутні, коли ми очікуємо впливу на його ринкову капіталізацію після запуску.

Посилання:

Dephi Digital: Реальне злиття

Галактика: Розуміння перетину криптовалюти та штучного інтелекту

Заява:

1. Ця стаття є репродукцією з [ panews], і авторське право належить оригінальному автору [Алекс Ксу], якщо у вас є які-небудь зауваження до перевидання, будь ласка, зв'яжіться Gate Learn Команда , команда обробить це якнайшвидше відповідно до відповідних процедур.

2. Увага: Погляди та думки, висловлені в цій статті, представляють лише особисті погляди автора й не становлять жодних інвестиційних порад.

3. Інші мовні версії статті перекладені командою Gate Learn і не згадуються в Gate.io, перекладений матеріал не може бути відтворений, розповсюджений або скопійований.